本论文是以无线传感器网络中的运动目标状态估计作为主要的研究背景,并且以无线传感器网络内的有限的能量和通信带宽作为约束条件,针对基于量化新息的状态估计方法及其相关理论进行讨论和研究。由于无线传感器网络是由大量微型、智能、低成本、低能耗和电池供电的无线传感器节点组成。所以无线传感器网络受到能量和通信带宽的限制,对其中的运动目标进行状态估计时,则必须将节点获取的测量进行量化后再传输以降低能耗,因此如何基于量化的测量进行状态估计就成了无线传感器网络目标跟踪与状态估计的关键问题。然而,当量化区间数目不变时,若直接对测量量化会导致测量值越大量化噪声就越大。因此,本文采取对新息进行量化的状态估计算法。本文深入研究了无线传感器网络中基于量化新息的状态估计方法。具体来说,主要工作由以下几个方面:1.基于量化新息的最小方差估计研究。针对利用量化新息的状态估计问题,本文在贝叶斯理论的基础上,推导出基于量化新息的状态后验概率密度函数。并从概率密度函数的角度上得到了基于量化新息的最小方差估计,最后对其估计性能进行了分析。2.量化方案和传输策略的设计与分析。为了更有效地节省节点的通信带宽和能耗,本文针对已知的量化策略和传输策略,考虑到IEEE 802.15.4协议为实际工程中的低能耗无线传感器网络系统普遍采用的网络协议,利用IEEE 802.15.4的多个无线通信模式,设计出了一个新的量化方案表。本文提出的量化方案表的优势在于能够覆盖更多量化区间。而在同样的通信带宽条件下,更多的量化区间意味着更高的状态估计精度。其次,本文将IEEE 802.15.4协议定义的无线数据包的结构特点与编码方法相结合,给出了一个新的动态的传输策略。最后,对本文提出的量化方案表和传输策略进行了仿真实验和性能分析。3.基于量化新息的高斯混合估计研究。本文通过对基于量化新息的状态先验和后验概率密度函数的分析,指出了当前主流的量化卡尔曼滤波方法对基于量化新息的状态先验和后验概率密度函数直接假设为高斯分布的不合理性。在此基础上,本文引入了高斯混合理论,来对基于量化新息的状态的条件先验概率密度函数和条件后验概率密度函数进行合理的近似,并推导出了基于量化新息的高斯混合状态估计方法,随后给出了完整的算法流程。最后,对本文提出的高斯混合估计方法与量化卡尔曼滤波方法进行了仿真实验与性能分析。结果表明,该算法的估计精度是优于目前的量化卡尔曼滤波算法,并且精度更接近基于非量化测量信息的扩展卡尔曼滤波算法。4.基于量化新息的后验克拉美罗下界的研究。针对无线传感器网络中基于量化新息的状态估计算法,本文给出了对于这些算法在理论上的估计性能上界即误差协方差阵的迭代后验克拉美罗下界。最后,对本文给出的后验克拉美罗下界进行了仿真实验和性能分析。结果表明,后验克拉美罗下界为不同的基于量化新息的状态估计算法如量化卡尔曼滤波类方法与高斯混合估计方法的性能上界。5.基于量化新息的多目标跟踪研究。针对无线传感器网络内对于多目标跟踪的研究课题。本文通过将基于多区间量化新息的最小方差估计与联合概率数据关联算法相结合,给出适合无线传感器网络的基于量化新息的联合概率数据关联方法。并且,本文对基于量化新息的联合概率数据关联方法进行了仿真实验与性能分析。最后,对本文内容进行了总结,并简要介绍了下一步的研究方向。